Excel parancsfájlok felhasználása a statisztikai elemzésekben Írta ...
Excel parancsfájlok felhasználása a statisztikai elemzésekben Írta ...
Excel parancsfájlok felhasználása a statisztikai elemzésekben Írta ...
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
A prognózisok hibaképleteit az alábbiakban foglaljuk össze. 69 F<br />
Tételezzük fel, hogy n időszak adata áll rendelkezésre a t kiindulási időpontban és m időszakra készítünk<br />
előrejelzést. A megfigyelt értékeket jelöljük X-szel, az előrejelzett értékeket pedig F-fel. (forecast =<br />
prognózis) A prognózist akkor tudjuk ellenőrizni, ha a prognosztizált időpont vagy időszak bekövetkezett<br />
és így van tényadatunk. Az alkalmazott modell lehet bármely prognóziskészítési módszer. Tételezzük fel,<br />
hogy az idősor (t) hossza, amire tényleges és prognosztizált adattal rendelkezünk: t = 1, 2,…,i,….,T. A<br />
megfigyelt értékeket jelöljük X-szel, az előrejelzett értékeket pedig F-fel. Ha ex-post ellenőrizzük az előrejelzés<br />
hibáját, akkor az idősort két részre osztjuk, az első időszak a becslési-, a második a tesztidőszak.<br />
A becslési időszak lehet az idősor fele, vagy annál nagyobb érték. A becslési időszak adatai alapján előrejelzéseket<br />
készítünk a teszt időszakra vonatkozóan és így a prognózis hibáját mérni tudjuk, mivel tényleges<br />
adatokkal is rendelkezünk. Ex ante előrejelzés esetén csak akkor tudjuk ellenőrizni a prognózis hibáját,<br />
ha az előrejelzési időszak bekövetkezik. Pl. havi adatok esetében a következő hónapban, negyedéves<br />
adatok esetében a következő negyedévben, stb. Az előrejelzések hibáinak mérésére az alábbi mutatókat<br />
használtuk.<br />
Az alkalmazott jelölések:<br />
A hiba (e = Error):<br />
ei = Xi – Fi<br />
Fi = előrejelzett vagy illesztett értékek,<br />
Xi = megfigyelt érték.<br />
Az egyszerűség miatt a tesztperiódus időszakot (amikor tényleges és prognosztizált értékekkel is rendelkezünk)<br />
jelöljük így:<br />
i= 1, 2, …,T.<br />
1. Átlagos hiba. [ME=Mean Error]<br />
ei<br />
i= 1 ME =<br />
T<br />
Az a kedvező ha a hiba mértéke 0 körüli érték. Fölébecslés esetén a hiba negatív, alábecslés esetén pozitív.<br />
Az előjel váltások miatt az átlagos hiba mutató a hiba valóságos mértékéről nem tájékoztat. Ezt a<br />
problémát úgy lehet kiküszöbölni, hogy a hiba abszolút értékével vagy négyzetével számolunk. A másik<br />
probléma az, hogy a különböző egységben mért (pl. kg, Ft, $ stb.) prognózisokat nem lehet összehasonlítani,<br />
ezért célszerű relatív hibát is számítani.<br />
2. Átlagos abszolút hiba. [MAE = MEAN ABSOLUTE ERROR F<br />
MAE =<br />
3. Átlagos négyzetes hiba. [MSE = MEAN SQUARE ERROR F<br />
MSE =<br />
T<br />
∑<br />
T<br />
∑<br />
i= 1<br />
T<br />
T<br />
i= 1<br />
T<br />
e<br />
e<br />
i<br />
2<br />
i<br />
70 71<br />
4. A hiba szórása [SDE = STANDARD DEVIATION OF ERRORS F<br />
69<br />
A trendszezon-hibaszámítás.xls parancsfájlnál a felsorolt hibaképleteket programoztuk be.<br />
70<br />
Farnum Nicholas R., - Stanton LaVerne W. [1989]: 22-31.<br />
71<br />
S. Makridakis-S. C. Wheelwright- V. Mcgee [1983]: 43-54.<br />
72<br />
Használják a nemzetközi szakirodalomban a Mean Absolute Deviation (MAD) kifejezést is.<br />
73<br />
Használatos még ASE – Average Squared Error<br />
74<br />
Használják a nemzetközi szakirodalomban a Root Mean Square Error (RMSE) mutatót is, amikor az MSE mutató<br />
négyzetösszegét veszik.<br />
60<br />
∑<br />
73 ]:<br />
F<br />
72 ]<br />
74 ]: